連続グルコース監視とは何ですか?

連続グルコースモニタリング(CGM)システムは、皮膚の内側に小さな使い捨てセンサーを使用して、腹部や腕に適して、数分間に間接流体のグルコースレベルを測定します。 従来のフィンガースティック血糖値とは異なり、単一のスナップショットを提供するフィンガースティック血糖値とは異なり、CGMはリアルタイムのデータストリームを提供し、グルコース濃度の変化の方向と速度を明らかにします。 現代のセンサーは、一部のユーザーは、交換し、または交換する必要があり、その日の見本抽出物や、または交換作業を解除します。 スマートフォンは、各モデルを監視し、または、必要なときに、必要なデータを送信します。

この定数フィードバックループは、急速なグルコーススイングに直面している1型糖尿病の人々にとって特に価値がありますが、CGMは2型糖尿病、妊娠糖尿病、さらには運動およびウェルネス目的のために使用されます。 この技術は、レトロスペクティブ「プロフェショナル」システム(数日間にわたって2回、その後、クリニックでダウンロード)から完全に統合されたパーソナルシステムで使用され、ライブ読書やトレンド矢印を表示しています。 Dexcom、Abtbot(FreeStyle)などの主要メーカーは、現在MLT(MLT)とMAR(M)を2万回以上使用しています。 [Fbret] センサーと[F]

しかし、生データだけでは十分ではありません。CGMは、1日あたり約288個の読み取りを生成します。2週間のセンサーウェアに4,000以上のデータポイントを占めています。インテリジェントな分析、患者、臨床医が簡単に圧倒されることなく、データ分析が不可欠です。

CGMシステムにおけるデータ分析の重要な役割

データの分析は、生のブドウ糖の痕跡を実用的な知識に変換します。それは、次のような質問に答えるのに役立ちます: []なぜ昨日昼食後に私のブドウ糖のスパイクをやったのですか? 私はターゲットを上回る時間も費やすのですか? 私の一晩の葉巻率は十分ですか? 私は、次の30分でhypoglycemicイベントのリスクで?統計モデルを適用することにより、パターン認識、および機械学習アルゴリズム、分析プラットフォームは、再発傾向を識別することができます、正確な治療を、および推奨します。

アメリカン・糖尿病協会は、血糖値制御を評価するための主要な指標がであることを勧めています。 範囲(TIR)の時 - 時間のグルコースの割合は、A1Cにのみ依存するよりも、70〜180 mg/dLの間でとどまります。 TIRは、CGMデータから完全に得られ、計算し、解釈するために強固な分析が必要です。 同様に、グルコース変動性(低血糖値)や低血糖値、および低血糖値の変動などの高度なメトリックが、すべてのデータが、すべての変動を意味します。

個々の患者管理を超えて、大規模なCGMデータセットから集計された分析により、人口の健康調査、臨床試験エンドポイント、および人工的な膵臓システムの開発が可能になります。例えば、[2022コンセンサスレポートは、Venge[]で公開された時間にDiabetes Careは、CGMデータから派生したTIRが、このような分析を不可能にするために、多くの分析を検証した結果であることを強調します。

記述分析: 何が起こっているかを理解する

記述分析は基礎です。それは時間、日、週、または月上のパターンを明らかにするために歴史CGMデータを要約することを含みます。一般的な記述出力には以下が含まれます。

  • [アンブレーラ・グルコース・プロファイル(AGP):[]])は、日中平均で1時間ごとに、中央のグルコース、インタークエンタクレンジ、およびパーセンタイルを14日間にわたって表示する標準化レポートです。 AGPは、範囲内の国際コンセンサスによって推奨され、ほとんどのCGMソフトウェアに構築されます。
  • []グルコースの免除レポート:[[グルコースがターゲットのしきい値の上または下にあるときに期間を示すヒートマップ、問題のある時間(例えば、早朝の夜明け現象、ポストミールのスパイク)を識別するのに役立ちます。
  • 矢印と変化率:[グルコースが1分2mg/dL以上上昇または降下しているかどうかを示すリアルタイム記述分析で、即時の是正措置を有効にします。

臨床医にとって、記述的な分析は、数少ない明確なチャートに1週間の静脈データの価値を減らします。患者にとって、「グルコースエンベロープ」のような視覚的な要約を見ると、炭水化物の摂取量や運動のタイミングを調整するなどの行動の変化が起こっています。

予測分析:将来のグルコースレベルを予測

予測分析は、機械学習モデルと組み合わせた歴史CGMデータを使用して、グルコースレベルを予測します。 20〜60分 将来。 これらのアルゴリズムは、通常、自己回帰モデル、再発ニューラルネットワーク(RNN)、またはグラデーションブームの樹木に依存して、患者自身のグルコースダイナミクス、ボード上のインスリン、食事のタイミング、およびウェアラブルと統合されたときでさえ心拍数に依存しています。

最もインパクトのあるアプリケーションは、 hypoglycemia予測です。 Dexcom G6のようなシステム「緊急低速」のアラート使用予測分析で、低速が予測される前に20分、高速作用する炭水化物を消費する時間を与えます。 予測アラートは、最大40%の激しい低酸素イベントを削減するという結果を示しています。 同様の警告は、高騰を予測できる限り、有意に有意に有利な分析することができます。

Medtronic SmartGuard テクノロジーなどの新しいシステムでは、予測の低グルコース管理(PLGM)を使用して、低が予測されている場合、インシュリン配送を自動的に停止します。このクローズドループアプローチは、リアルタイムの予測分析で可能にでき、ノクター性低血糖を大幅に削減することが示されています。

記述分析: 特定の行動を推薦して下さい

記述分析は、何が起こるかを予測するだけでなく、それについて何をすべきかをお勧めすることによって、さらに一歩進んでいます。これは、CGM分析が本当に有能になる場所です。例は次のとおりです。

  • [CGM:[と統合されたBolus計算機:コントロールIQ使用の事前スクリプト分析で、バサルレートを自動的に調整し、現在のグルコースに基づいて補正ボラスを提案し、予測された軌跡を予測する。
  • [] 食事とアクティビティの推奨事項:[: GlookoやMySugrなどのモバイルアプリは、フードログと一緒にCGMデータを分析し、炭水化物比または前ボルス時間のためのパーソナライズされた提案を提供します。
  • 徴候の最適化:]] 複数の毎日の注入を使用して患者のために、記述的な分析は、一晩中漂流のパターンを識別することによって、基礎インスリンのタイミングまたは線量の変更を推薦できます。

記述分析は、多くの場合、代替行動の結果をシミュレートする決定の木や補強学習モデルを採用しています。 それでも成熟している間、これらのツールは、すでにFDA承認を受けたハイブリッドクローズドループシステムに組み込まれています。

CGMシステムにおけるデータ分析の利点

CGMプラットフォームへの分析の統合により、臨床、行動、および運用ドメインのさまざまな改善が実現できます。

血糖制御とA1C削減の改善

複数のランダム化制御試験では、CGM が分析主導のフィードバックで使用していることが実証されています。 A1C の減少率は、タイプ 1 とタイプ 2 糖尿病の 0.5-1.0% です。 DIAMOND の調査] () に公開) 週刊分析レポートを使用して 1 糖尿病の成人が CGM を使用して 1 型成人が、グループ全体で持続期間をコントロールするの A1C の平均値を達成しました。

ヒポグリコ血症および高血糖の早期発見

予測分析は、危険なグルコース範囲で費やした時間を大幅に削減します。リアルタイムのトレンド矢印と低グルコースアラートにより、レベルが重要になる前に患者が介入することを可能にします。小児の人口では、予測アラートは、親の不安を軽減し、夜間の安全性を向上させるために示されています。高齢者の患者は、接続されたアプリを介して介護者に送られた自動アラートは、追加の安全網を提供します。

パーソナライズされたトリートメントプラン

食事、運動、インスリンと同一に2人の患者は反応しません。 データの分析は、個々のしきい値、サーカディアンリズム、および感性を特定することによって、真にパーソナライズされた糖尿病管理を可能にします。 例えば、患者は、グルコースがハイファットの食事の後にのみ、または夕食後に一貫してpostprandialグルコースを下げた後に徒歩15分のところにあるパターン分析を通して発見することができます。 これらの洞察により、ケアチームは、ケアチームがインスリントのライフスタイルを促進し、高精度かつ高精度なライフスタイルを促進します。

患者のエンゲージメントと自己効力の強化

患者が自分の選択肢がリアルタイムで、トレンド全体でどのように影響するかを把握できるとき、それらはより従事しています。多くのCGMアプリは、TIRの目標を打ち合わせるための、範囲内時間やバッジの縞など、統合要素を使用してモチベーションを持続させます。アナリティクスは、共有の意思決定を可能にします。患者とプロバイダは、クリニック訪問中に同じデータを一緒に確認することができ、トップダウンの指示ではなく、コラボレーションの調整を促進することができます。

ヘルスケア活用の低減

糖尿病性ケトエイシス(DKA)や重度の低血糖症などの急性イベントを防止することにより、堅牢なCGM分析は、緊急室訪問や入院を削減することができます。 メディケアクレームのレトロスペクティブ分析は、CGMユーザーが非ユーザーと比較して低血糖症の24%の少ない入院率を持っていたことがわかりました。 分析がテレヘルスコーチングと相まっていれば、多重化が増加します。

CGM のデータ解析の課題

約束にもかかわらず、CGM分析の潜在能力を最大限に発揮するいくつかの障害が抱えています。

データ積み過ぎおよびユーザー疲労

視覚化ツールでも、グルコースデータのせん断量は圧倒することができます。患者は、頻繁または非反応性を感じるため、アラートを無視する「警報疲労」が発生することがあります。臨床医は、忙しい練習で患者全員に14日間のAGPレポートをパースすることに苦労しています。実用的な偏差だけを優先し、緊急性を強調表示するスマートな分析の必要性があります。

統合の複雑さ

CGM データは、しばしばサイロに存在します。患者は、Dexcom センサー、Medtronic ポンプ、およびアクティビティトラッキングのための Fitbit を使用するかもしれません。これらのストリームを統一分析に組み合わせることにより、HL7 FHIR やベンダーの喜んで API を共有する必要があります。統合なしで、分析は完全な画像を見逃しなく。例えば、グルコースのスイクは、実際には運動中にインシュリンの感度を減らすことによって行われたときに食糧に誤ってみられる可能性があります。

データのプライバシーとセキュリティ

継続的な健康データは、非常に敏感です。 CGM分析プラットフォームは、トランジットや休憩で暗号化を確保しながら、HIPAA、GDPR、およびその他の規則を遵守しなければなりません。 データ侵害のリスクは現実です。単一の脆弱性は、差別的な目的のために使用できる詳細なグルコースプロファイルを露出することができ、(例えば、保険を拒否する)。 さらに、データの所有権はあいまいです。 患者は、独自の原材料データを簡単にエクスポートし、それらを単一の生態系にロックすることはできません。

アルゴリズムバイアスと精度

均質な人口で訓練された予測モデルは、未表現のグループでは不当に実行される可能性があります。例えば、主に白で開発されたモデル、成人型1人の患者は、タイプ2の糖尿病でアフリカの降下率の子供や人々でブドウ糖の遠足を予測できないことがあります。 []]に集中した研究は、JAMA]][FLT:]は、さまざまなデータトレーニングの必要性を強調表示し、これらの欠陥を観察し、これらの欠陥を観察し、これらの欠陥を検知して、これらの欠陥を検知して、欠陥を検知し、これらの欠陥を検知します。

CGM 向けデータ分析の今後の動向

今後10年間で、分析は記述的および予測から完全に自律的かつパーソナライズされたまで進化するようになります。主な傾向は次のとおりです。

人工知能とディープラーニング

長期的メモリ(LSTM)ネットワークやトランスなど、高度なAIモデルは、グルコースデータにおける複雑な一時的な依存性をキャプチャできます。これらのモデルは、マルチモーダル入力を統合できます。CGM、インシュリンポンプデータ、アクティビティトラッカー、継続的な心拍数、ストレスセンサー(例えば、EDA)、さらには食事の写真。AI主導の分析は、グルコースレベルだけでなく、神経症や神経症などの合併症のリスクを予測することができます。

ウェアラブルでセンサーコンバージェンス

CGMは、ますます他のウェアラブルと組み合わせています: グルコース傾向を表示するスマートウォッチ, 連続ケトンモニター, 乳酸やアルコールを測定するマルチアナリントセンサー. これらのデータセットをヒューズする分析プラットフォームは、代謝の健康のより包括的なビューを提供します. 規制機関は、既に組み合わせられたセンサープラットフォームを評価する; FDAは2023年に最初の連続ケトンモニターをクリアしました.

リアルタイムリモート監視とテレヘルス

クラウドベースの分析により、ケアチーム、家族、および緊急サービスでCGMデータのリアルタイム共有が可能になります。 COVID-19のパンデミック、テレヘルスの採用が加速される中。 GlookoやTidepoolのようなプラットフォームでは、プロバイダは共有ダッシュボードで薬効の変化とともに患者AGPを閲覧できるようになりました。 将来の分析は、自動的に傾向の低い患者(例えば、高血糖日の増加)をフラグし、積極的なアウトリーチのためにそれらをキューし、反応性訪問の必要性を減らすことができます。

高度な可視化と説明責任

データオーバーロードに対処するため、次世代の分析では、拡張現実、会話AI(チャットボット)、自然言語の要約を使用します。例えば、患者はテキストを受け取ることがあります。例えば、「今週の5%で改善されたあなたのTIR。あなたの最大の改善は一晩でした。現在のディナールーチンを継続することを検討してください。」説明可能なAI技術は、モデルが特定の予測を作った理由を臨床医に助け、完全な自動投薬システムのための信頼性を構築し、規制承認を有効にします。

自動インシュリン宅配システム(AID)との統合

CGM分析の究極のアプリケーションは、人工膵臓です。ハイブリッドクローズドループシステムは、CGMデータに基づいてバスリンデリバリーを自動化するために、既に予測分析を使用しています。次のフロンティアは、フルクローズドループシステムで、グルカゴンまたはプラムリンチドも管理しています。 分析は、グルコースだけでなく、アクティビティの状態、ストレス、病気にも適応する多変種制御を処理するために進化します。 たとえば、iLet Bionic Pancreasは、患者が「初めて使用する」アルゴリズムを数日間にわたって使用する必要があります。

コンテンツ

データ分析は、支持的なツールから、連続したグルコース監視の有効性の中央の柱へと移行しました。何千ものデータポイントを実用的なインサイトに蒸留することで、分析により、患者がより緊密なグルコース制御を実現し、臨床医の意思決定の負担を軽減し、自律的な糖尿病管理システムの活用方法を明らかにします。機械学習アルゴリズムは、他の健康センサーとより高度に統合され、糖尿病ケアを変換する可能性が高く、さらには状態を予防する可能性が高まっています。これは、Sermonusの拡張性を克服し、将来のデータを把握することに役立ちます。